汽車診斷技術(shù)在電噴發(fā)動機中的應(yīng)用

汽車診斷技術(shù)在電噴發(fā)動機中的應(yīng)用

彭偉彪

（廣西百色祈福高中，廣西 百色 533000）

【摘 要】隨著電噴發(fā)動機技術(shù)的不斷發(fā)展成熟，其越來越智能化，一旦發(fā)生故障，對其進行故障排除是一項非常復(fù)雜繁瑣的過程，傳統(tǒng)的“大拆大卸”式的故障排除方法很有可能增添新的故障。本文中筆者針對汽車診斷技術(shù)這種科學(xué)的這段技術(shù)論述其在電噴發(fā)動機故障判斷中的運用。

【關(guān)鍵詞】汽車；診斷技術(shù)；電噴發(fā)動機

一、汽車診斷技術(shù)

“診斷”一詞援引自醫(yī)學(xué)名詞，汽車診斷即是由醫(yī)學(xué)診斷中透過現(xiàn)象判斷本質(zhì)的方式發(fā)展而來，逐步形成了工程技術(shù)領(lǐng)域中的有關(guān)“故障診斷學(xué)”這一學(xué)科。汽車診斷技術(shù)是憑借儀器設(shè)備對汽車進行性能測試和故障檢查的方法和手段，它能夠測試出汽車各項工作性能指標，并可在汽車或總成不解體的情況下發(fā)現(xiàn)故障及其產(chǎn)生的原因。

汽車故障診斷的基礎(chǔ)是創(chuàng)建設(shè)備狀態(tài)信息和故障類型之間的關(guān)系模型，就是說要通過檢測設(shè)備狀態(tài)特征信息來識別機械設(shè)備的性能狀態(tài)。實質(zhì)上，發(fā)動機的故障狀態(tài)并不是絕對清晰的，具有一定的模糊性，再加上實際操作中的測量誤差，每一種故障狀態(tài)對應(yīng)的特征值在某一范圍內(nèi)會發(fā)生變動，這時，電噴發(fā)動機故障診斷變成了基礎(chǔ)為特征信息響亮的模式識別問題。

二、電噴發(fā)動機故障診斷方法

汽車診斷技術(shù)發(fā)展至今，已經(jīng)派生出不少分類方法，大致來講，一般可以分成三種類型——①利用信號分析處理的故障診斷方法；②利用解析模型的故障診斷方法；③利用人工智能的故障診斷方法。

第一種，利用信號分析處理的故障診斷方法。

利用信號分析處理的故障診斷方法，即運用函數(shù)、頻譜、小波變換等一些信號分析的處理方法對可測信號進行分析，從而提取出方差、幅值、頻率等等特征值，并將這些特征值和正常特征值進行比對，依此檢測出電噴發(fā)動機的故障。這種診斷方法一般包括小波分析方法、主成分分析方法等。

第二種，利用解析模型的故障診斷方法。

利用解析模型的故障診斷方法，即在確定診斷對象數(shù)學(xué)模型之后，按照一定的數(shù)學(xué)方法處理被測信息，包括直接測量輸入、輸出，估計系統(tǒng)狀態(tài)，總結(jié)參數(shù)變化的統(tǒng)計特性等幾種診斷方法。

第三種，利用人工智能的故障診斷方法。

利用人工智能的故障診斷方法，是一種具有智能特性的，且不需要對象的精確數(shù)學(xué)模型的一種發(fā)展前景較為廣闊的電噴發(fā)動機故障診斷方法。包括基于專家系統(tǒng)故障診斷方法、基于模糊數(shù)學(xué)的故障診斷方法、基于故障樹的故障診斷方法、基于神經(jīng)網(wǎng)絡(luò)的故障診斷方法和基于信息融合的故障診斷方法。

三、汽車診斷技術(shù)在電噴發(fā)動機中的應(yīng)用探析

簡而言之，信息融合就是通過智能化合成某一個目標的多源信息，從而形成一個相較于單一信源而言更加精準的估計和判斷。促進多傳感器的信息融合，能夠?qū)崿F(xiàn)擴充時空覆蓋范圍并增強置信度，增加檢測系統(tǒng)可靠性的目的。如今，機電液相結(jié)合的產(chǎn)物——汽車，已經(jīng)逐步告別了以機械結(jié)構(gòu)為主體的時代，這一改變也催生了汽車故障診斷問題的質(zhì)的變化。汽車故障診斷實質(zhì)上是對反映其運行狀況的多源信息進行獲取、綜合并加以利用的過程。就“診斷學(xué)”而言，僅對信息采取單一診斷，得到的結(jié)果往往是模糊且不精確的。應(yīng)用汽車診斷技術(shù)對電噴發(fā)動機進行故障診斷，采取單方面的信息來對某一對象進行綜合狀態(tài)的反應(yīng)是不夠完整的，只有綜合多方面獲取的信息進行判斷，才能得到更加準確的結(jié)果。

基于神經(jīng)網(wǎng)絡(luò)對電噴發(fā)動機進行故障診斷時，首先要確定給定工況下故障征兆的特征參數(shù)，合理的網(wǎng)絡(luò)結(jié)構(gòu)以及規(guī)模，之后就要根據(jù)原始特征參數(shù)提取出新的特征向量，并將該新特征向量歸一化，以構(gòu)成神經(jīng)網(wǎng)絡(luò)的輸入訓(xùn)練樣本集合測試樣本集，訓(xùn)練樣本集會應(yīng)用與網(wǎng)絡(luò)訓(xùn)練，最后用訓(xùn)練好的網(wǎng)絡(luò)完成對電噴發(fā)動機的故障診斷。

一般來說，導(dǎo)致電噴發(fā)動機產(chǎn)生故障的原因比較復(fù)雜，一種故障模式對應(yīng)的原因可能是多個，因此需要對不同故障原因的神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練來診斷故障。

電噴發(fā)動機存在不同的運行工況，即啟動、怠速、勻速、加速，等等。控制電噴發(fā)動機的工況是通過運用不同傳感器檢測發(fā)動機的狀態(tài)，運用計算機按照程序控制執(zhí)行器的動作，來實現(xiàn)不同運行工況的需求。導(dǎo)致電噴發(fā)動機產(chǎn)生怠速不穩(wěn)的因素有點火系故障，噴油器堵塞，怠速控制系統(tǒng)工作異常，等等。

診斷過程中，對特征參數(shù)進行處理時時，為避免一些冗余的特征量影響診斷結(jié)構(gòu)，需要進行特征選擇和提取。傳感器或者執(zhí)行器的波形信息主要體現(xiàn)于波形的時域結(jié)構(gòu)形態(tài)上，進行特征選擇時就可抓住這一特點。

進行特征參數(shù)提取時，可以應(yīng)用主成分分析法。首先需要對原始樣本進行標準化，樣本集中元素xik的變換公式是：

其次，要算出樣本矩陣的相關(guān)矩陣、特征值還有特征向量，同時利用標準化算法計算變量之間的相關(guān)系數(shù)，建立k階相關(guān)矩陣：

最后，創(chuàng)建主成分方程，并算出個主成分值，方程是yk=CX，這里C是對應(yīng)于特征值？姿i的特征向量的分量，X則是各變量的標準化數(shù)值。這樣就算得各主成分值，就得到了新的測試樣本集和測試樣本集。接下來就需要對信息融合中心進行設(shè)計，確定隱層神經(jīng)元數(shù)，轉(zhuǎn)移函數(shù)的選擇，最后完成輸出層的設(shè)計，根據(jù)輸出向量確定電噴發(fā)動機的故障原因。endprint